Udacity-无人驾驶-行为克隆

基本思路

优达学城的行为克隆是端到端无人驾驶项目。首先通过人为操作车辆（模拟器）行驶来采集控制数据（转向角、油门等）。在该过程中，需要记录摄像头采集的道路场景图像。在实践中，为了获得更多的数据，提高模型的泛化能力可以使用多个（例如三个）摄像头同时采集不同角度的路况图像。当汽车要偏离车道中心时，不同的摄像头数据有利于汽车从车道两边回到中间车道。数据量不够，可以通过数据增强来获得数倍的数据。对得到的图像数据进行裁剪，把无关紧要的数据处理掉。采集到的图像数据作为卷积神经网络模型（CNN）的输入参数，汽车的控制参数作为模型的输出数据。得到模型后，对摄像头采集到的路况场景进行预测，得到控制参数，输入模拟器中，从而达到控制汽车自动驾驶的目的。

NVIDIA无人驾驶

参考NVIDIA公司的文章:“End to End Learning for Self-Driving Cars”

事实证明，这种端到端方法非常强大。通过最少的人类训练数据，系统会学习在有或没有车道标记的情况下驾驶本地道路和高速公路。

训练该系统以自动学习必要处理步骤的内部表示，例如检测有用的道路特征，仅使用人类转向角作为训练信号。我们从未明确地训练它来检测例如道路的轮廓。与使用显式分解问题的方法（例如车道标记检测，路径规划和控制）相比，我们的端到端系统同时优化所有处理步骤。

与车道标识设计、路径规划和控制等问题分解相比，端到端系统可以同时优化所有处理步骤。我们认为，这最终将导致更好的性能和更小的系统。更好的性能将产生，因为内部模块的自我优化，以最大限度地提高整个系统的性能，而不是人为选择的中间标准，如车道检测。较小的网络是可能的，因为系统学会用最少的处理步骤来解决问题。

收集数据

为了让汽车沿着道路的中心行驶，捕捉中心车道的